一時的および体積除去前のスパース画像を介した事前

このホワイトペーパーでは、Prior Priorと呼ばれる普遍的かつ構造支配的な正規化用語を紹介します。事前は、さまざまな医療画像モダリティからの画像を除去するのに適しています。さまざまなノイズと画像の特性を示す体積光学コヒーレンス断層撮影（OCT）およびコンピューター断層撮影（CT）データに対する有効性を示しています。OCTは、人間の網膜の高解像度スキャンを提供しますが、スペックルノイズによって本質的に損なわれます。一方、CTは解像度が低く、高周波ノイズを示します。除去の目的のために、3-Dおよび3-D+Tデータを処理できる準Data Fidelityモデルに基づく変分フレームワークを提案します。効率的な最適化は、乗数の交互方向方法（ADMM）スキームと分位フィルターの線形化を使用することにより促進されます。複数のデータセットでの実験では、提案された方法の優れたパフォーマンスを強調しています。

This paper introduces an universal and structure-preserving regularization term, called quantile sparse image (QuaSI) prior. The prior is suitable for denoising images from various medical imaging modalities. We demonstrate its effectiveness on volumetric optical coherence tomography (OCT) and computed tomography (CT) data, which show different noise and image characteristics. OCT offers high-resolution scans of the human retina but is inherently impaired by speckle noise. CT on the other hand has a lower resolution and shows high-frequency noise. For the purpose of denoising, we propose a variational framework based on the QuaSI prior and a Huber data fidelity model that can handle 3-D and 3-D+t data. Efficient optimization is facilitated through the use of an alternating direction method of multipliers (ADMM) scheme and the linearization of the quantile filter. Experiments on multiple datasets emphasize the excellent performance of the proposed method.